|
| 人工智能技术与智慧油田建设 |
|  |
|
□ 郭晔 中国石油集团经济技术研究院
随着物联网建设在石油行业的广泛应用，大量的生产数据、工程数据、经营数据被记录、传输并存储成为石油公司的数字资产。面对海量数据的积累，需要对其进行挖掘整理并从中得到有用的信息来指导生产和决策，这是油田由数字化向智能化的必然转变。
智慧油田是一个综合性概念，需要以数据为基础，以人工智能技术为手段，以应用场景为落脚点，进而实现指导生产经营的解决方案。
案例
国际石油公司已形成智能化解决方案
智慧油田涵盖多个方面，其中主要体现在油藏开发领域、工程技术领域、经营管理领域。
以智慧油田解决方案在油气藏开发方案设计方面的应用为例。油气藏开发方案指对开发方法、开采方式、开发层系、井网井距、注采速度与技术工艺等油田开发的重大问题做出选择并具体化为实施意见。目前，方案的设计主要依托于油藏数值模拟技术，其中包含大量的数学模型、物理模型、地质模型和算法。但由于油气藏地质状态和条件体现出非均质性、多样性、变异性和复杂性使得往往运用基于物理模型、地质模型建立的传统理论不能很好地研究解决工程中的复杂问题。而人工智能（AI）的最终目标就是解决抽象的、不确定性的复杂问题。因此，人工智能提供了更加智慧高效的解决方案。
斯伦贝谢的DELFI感知计算平台被认为是油气行业最佳的地质工程一体化平台。其整合了从地震数据解释、测井数据解释到油藏数值模拟（压裂模拟、生产模拟等）再到经济评价的油藏全生命周期智能化解决方案。这与国内提出的地质工程一体化解决方案不谋而合。在DELFI提供的平台上，地质学家、油藏工程师、储层工程师和生产工程师可以实现对油气藏评价、储量计算与产能研究等工作并共同制定现实可行的开发方案。
DELFI平台为石油工程师和科学家提供了大量的AI工具。例如，对于地质工程师和地球物理专家而言，对地层的认识主要通过地球物理资料、测井数据、录井数据等实现。DELFI平台中，融入AI技术的地质工程软件可以做到断层智能识别、甜点智能识别、智能历史拟合、复杂多层位智能追踪等工作，实现将数据直接快速转换成工程技术人员所需要的结果。另外，DELFI平台还提供了井设计、完井设计、开发方案设计的智能化解决方案。依靠DELFI平台，地震数据解释处理时间从13个月缩短至2.5月；断层解释时间减少了80％；井身设计效率提高了50％；整体开发方案设计效率提高了70%；完井作业方案评估节省时间89％；节约了人工成本88％。
DELFI平台只是众多智能化领先实践中的一个案例，很多国际石油工业同样形成了自己的一套智能化解决方案。例如，道达尔借助Azure打造的智能工厂利用数字孪生、机器人巡检、可穿戴AR/VR数据同步和采集、云计算等技术实现全智能化管理。壳牌公司利用区块链技术实现智慧采购，既保证了全交易过程的高效性又保证了供应方、采购方和物流方的安全性。斯伦贝谢公司正在研发的智慧钻井解决方案被认为是新一代钻井施工的发展方向。在这个方案中，钻头可以实时采集钻井施工中的数据，并通过集成在钻头中的模块对数据进行实时分析，根据数据分析得到最佳的钻进参数并进行自动调整。这样大大节省了钻井工程师的决策成本。
挑战
智慧油田建设面临数据、算法及人才层面挑战
结合国外先进案例看，智慧油田的建设可以融入油田生产的方方面面，其重点是要善于利用智能化技术实现传统工作模式和开发模式的升级。
当前，我国智能油田建设水平处在数字化向智能化过渡阶段。得益于油田大量投入的物联网建设，少数油区已基本建成智能油田雏形，已具备了油井自诊断、预警和报警，并能推荐优化的决策方案。但从整体看，我国智能化应用存在场景偏少、过于单一且智能化深度不足等问题；现在的应用场景主要集中在生产设备端的维护和数据的简单收集整理等。因此，油田的智能化转型还有很长的路要走。
分析目前国内油田智能化的发展，我们需要面对多个方面的挑战。
数据层面的挑战。一方面，由于油田数据存在多头录入且来源来杂乱、时空尺度不一，且各油田缺少统一数据采集标准，导致了数据质量整体不高，出现大量数据冗余、缺失、错误和冲突等现象。另一方面，缺少有效的数据共享机制。这造成了数据孤岛的大量形成，数据难以有效传递和融合。油田管理者和工程技术人员需要消耗大量的时间来对数据进行查找并核实造成工作效率的降低。另外，针对特定问题的特定数据数据采集工具需要完善，比如岩芯数据库。
算法层面的挑战。目前，我国缺少有效的AI分析工具和具有人工智能算法的专业软件。一方面，AI分析工具的应用可以大量的减少工程技术人员的工作量；另一方面，AI分析工具的应用可以得到难以被科研人员发现的数据规律和数据间的关联。这样才能让大量积累的数据产生价值帮助管理者和工程技术人员完成生产和决策任务。
基于AI的分析工具解决，主要存在三类问题。一是完全数据型问题。例如，绘制综合测井曲线，结合测井曲线、地震数据和岩心数据建立油藏特征，天然气产量预测等。二是优化型问题。例如，油藏地质条件和流动机理的高度不确定性，实时精准油藏动态预测难度大、计算成本高；利用监督学习算法实现智能化的产量历史拟合。三是构建型问题。例如，基于有限的地质信息构建相对精确的地质模型。利用抗生成网络模型的深度学习算法计算出缺失数据，甚至发现很多地质工程师难以发现的信息，可以在很大程度上解决地质构造问题。
传统的专业软件主要是依靠搭建物理模型、地质模型并通过数值算法求解得到的地下油藏信息。如果将AI工具集成在传统的专业软件中就可以实现更准确高效的计算结果，形成油气藏开发能力的有力提升。更进一步来讲，将油藏全生命周期中各专业领域的专业软件平台化并辅以AI技术，这就成为了我们所需要的地质工程一体化平台。
人才层面的挑战。目前，油田的智能化转型亟需兼备石油相关专业背景和人工智能相关知识的工程技术人员。复合型人才的培养要经历一个长期的过程，因此需要科技企业、石油企业、高校的各方合作。国内各大石油公司的研究院所纷纷成立智慧油田部门并设立相关的岗位。一是通过自身力量培养人才；二是以社会招募的方式组建具备AI技术能力的石油工程师队伍。与此同时，各大石油公司也在积极与高校合作，成立相关交叉学科专业和科技大厂开展人才培养计划和技术合作项目。相信将会有越来越多的石油工程技术人员可以熟练地使用Scikitlearn、Keras、Tensorflow、Pytorch等人工智能工具来解决生产实践问题。
面对挑战，我们应该积极行动。对于数据层面，要对已有的数据进行清洗、重构，对新采集的数据建立统一的标准并实现真正意义上的融通共享。对于算法层面，要立足于应用场景结合人工智能算法实现应用突破。主要有两条探索方向：一条是建立一种全新的基于大数据和人工智能的油田勘探开发研究模式；另一条是基于现有的研究分析框架和物理模型（地震反演与属性分析、构造建模、地质建模、油藏模拟等）使用人工智能技术进行辅助、修正、局部替代以实现准确高效的目的。在人才建设方面，要抱着开放的心态，融合各方力量培养复合型人才，并使之在实现油田智能化过程中发挥积极作用。
|
|
|
|
